迈向异质图学习的进展与未来
在异质性的情况下,图神经网络(GNNs)往往表现出次优的性能。本文提出并证明了异质性中宝贵的语义信息可以通过研究每个节点在图中的邻居分布来有效地利用于图学习,进而构建了一种新的图结构 HiGNN,该结构通过利用节点分布来增强具有相似语义特征的节点之间的连接性。通过在节点分类任务上的实证评估和与其他方法比较,我们验证了 HiGNN 在改进图表示方面的有效性,并证明通过整合异质性信息可以显著提升现有基于 GNN 的方法,以及在真实世界数据集中的同质性程度,从而证明了我们方法的功效。
Mar, 2024
我们提出一种新颖的鲁棒图结构学习方法,从异质数据中构建高质量的图,进而应用于下游任务。我们首先使用高通滤波器对每个节点进行编码,使其与邻居节点更具有区分度,然后学习一个具有自适应范数的鲁棒图,进一步利用新颖的正则化方法来改进图的结构。对异质图的聚类和半监督分类实验证明了我们方法的有效性。
Mar, 2024
通过重新构建异质图的图结构,来提高传统的图神经网络在异质图上的性能,我们提出了 Deep Heterophily Graph Rewiring (DHGR) 的方法,并进行了全面的实证研究和分析,验证了其潜力以及其可用性,可作为任何 GNN 的插件模块,能够提高任何 GNNs,在结点分类任务上的性能。
Sep, 2022
利用元路径识别异质图中的异质性并提出了两个度量方法来定量描述异质性水平,在多个具有不同异质性水平的真实异质图上进行了深入研究,观察到继承自处理同质图的图神经网络对异质图的异质性或同质性较低的泛化能力有限。为解决这一挑战,提出了一种新的异质图神经网络 Hetero$^2$Net,通过蒙版元路径预测和蒙版标签预测任务,有效且灵活地处理同质性和异质性异质图,在五个具有不同异质性水平的真实异质图基准上评估了 Hetero$^2$Net 的性能,结果表明 Hetero$^2$Net 在半监督节点分类任务中优于强基线模型,为有效处理更复杂的异质图提供了有价值的见解。
Oct, 2023
基于 GRAFF 方法的 GRAFF-LP 扩展能够改善异质图下的链接预测性能,通过在一系列异质图数据集上的评估,相对 AUROC 提升达到最高 26.7%。
Feb, 2024
该研究通过节约和邻居嵌入、高阶邻居和中间表示的结合,设计出一种草图神经网络(H2GCN),并通过实验表明其在半监督节点分类任务下,具有比传统模型更高的预测准确率,尤其对于异质性网络(即一对连接的节点可能具有不同的类别标签和不同的特征)表现更出色。
Jun, 2020
研究图神经网络中的异质性标签与 GNN 对抗性攻击鲁棒性之间的关系,并且证实采用相应设计原则可以提高 GNN 的鲁棒性,实验证明采用这种设计可以比未接种疫苗的模型实现更好的鲁棒性,并且采用防御机制可以使其鲁棒性更强,性能提高达 18.33%。
Jun, 2021
本文提出了一种新的图聚类方法,包括三个关键组成部分:图重构、混合滤波器和双图聚类网络。实验结果表明,在 11 个基准图上,该方法在异质图上的表现优于其他方法。
May, 2023
本文提出了一系列改进的图形数据集,并介绍了一种新的度量方式,以测试在低同质性设置中的新方法的有效性,利用图形神经网络和简单方法对所提出的数据集进行了基准测试,为进一步研究提供新的见解。
Apr, 2021